ハイパーパラメータチューニングのGWO-WOAアルゴリズムと特徴選択のBPSOを使用した肺がん分類のためのハイブリッドLSTM-GRUフレームワーク

科学分野:

• コンピュータ生物学 コンピュータ生物学
• 医療における機械学習
• バイオインフォマティックス

背景:

• 肺がんの早期発見は,患者の治療結果を改善するために極めて重要です.
• 質問書のデータは,初期スクリーニングのための低コストで非侵襲的な方法を提供します.
• 伝統的な分類者は,そのようなデータセットの騒々しい,不均衡な,冗長な特徴と闘っています.

研究 の 目的:

• 強化された肺がん分類のためのハイブリッドのディープラーニングの枠組みを開発し,評価する.
• 機能選択とハイパーパラメータチューニングのためのメタヒューリスティックアルゴリズムを使用してモデルを最適化します.
• 様々な公衆の肺がんデータセットでのモデルのパフォーマンスを評価する.

主な方法:

• ハイブリッドのLong Short-Term Memory (LSTM) -Gated Recurrent Unit (GRU) ネットワークが開発されました.
• Grey Wolf-Whale Optimization (GWO-WOA) アルゴリズムは,ハイパーパラメータ (学習率,隠された単位,層の深さ) を最適化しました.
• バイナリー粒子群最適化 (Binary Particle Swarm Optimization,BPSO) は,Kaggle肺がんデータセットを事前処理した上で特徴の選択を行いました.

主要な成果:

• GWO-WOA-LSTM-GRUモデルは,309個のサンプルデータセットで100.00%の精度,精度,リコール,F1スコアを達成しました.
• 3000個のサンプルデータセットで,モデルは99.33%の精度とF1スコアを達成しました.
• 単一のモデル (LSTM,GRU,CNN,SVM) を上回り,精度は77.42%から98.33%まででした.

結論:

• 提案されたハイブリッド・ディープ・ラーニング・モデルは,肺がんの分類において優れた性能と堅実性を示しています.
• メタヒューリスティック最適化は,再発性ニューラルネットワークの精度と一般化を大幅に高めます.
• このアプローチは,肺がんの早期発見と臨床リスクの階層化のための信頼できるツールを提供します.